Розуміння послідовних моделей

Machine Translation з Keras

Thushan Ganegedara

Data Scientist and Author

Часові ряди та послідовні моделі

Речення — це вхід часових рядів
- Поточне слово залежить від попередніх
- Напр.: He went to the pool for a ....
Енкодер/декодер використовує модель машинного навчання
- Моделі, що навчаються на часових рядах
- Такі моделі зветься послідовними моделями

Послідовні моделі

Послідовні моделі
- Проходять крізь вхід, генеруючи вихід на кожному кроці часу

Архітектура послідовної моделі

Енкодер як послідовна модель

GRU — Gated Recurrent Unit

Згорткові рекурентні блоки

Вступ до шару GRU

На кроці часу 1 шар GRU:

Отримує вхід «We»
Отримує початковий стан (0,0)
Повертає новий стан (0.8, 0.3)

GRU 1

Вступ до шару GRU

На кроці часу 2 шар GRU:

Отримує вхід «like»
Отримує початковий стан (0.8,0.3)
Повертає новий стан (0.5, 0.9)

Прихований стан — це «пам'ять» про побачене моделлю

GRU 2

Keras (Functional API): нагадування

У Keras є два важливі об'єкти: Layer і Model.
Вхідний шар
- inp = keras.layers.Input(shape=(...))
Прихований шар
- layer = keras.layers.GRU(...)
Вихід
- out = layer(inp)
Модель
- model = Model(inputs=inp, outputs=out)

Розуміння форми даних

Послідовні дані мають 3 виміри
- Розмір пакета (напр., пакет = групи речень)
- Часовий вимір — довжина послідовності
- Розмір входу (напр., довжина onehot-вектора)

Форма входу для моделі GRU
- (Batch, Time, Input)
- (batch size, sequence length, onehot length)

Вхідні дані

Реалізація GRU в Keras

Визначення шарів Keras

inp = keras.layers.Input(batch_shape=(2,3,4))
gru_out = keras.layers.GRU(10)(inp)

Визначення моделі Keras

model = keras.models.Model(inputs=inp, outputs=gru_out)

Реалізація GRU в Keras

Прогнозування за моделлю Keras

x = np.random.normal(size=(2,3,4))
y = model.predict(x)
print("shape (y) =", y.shape, "\ny = \n", y)

shape (y) = (2, 10) 
y = 
[[ 0.2576233   0.01215531  ... -0.32517594  0.4483121 ],
 [ 0.54189587 -0.63834655  ... -0.4339783   0.4043917 ]]

Реалізація GRU в Keras

GRU, що приймає довільну кількість зразків у пакеті

inp = keras.layers.Input(shape=(3,4))
gru_out = keras.layers.GRU(10)(inp)
model = keras.models.Model(inputs=inp, outputs=gru_out)

x = np.random.normal(size=(5,3,4))
y = model.predict(x)
print("y = \n", y)

y = 
 [[-1.3941444e-02 -3.3123985e-02 ... 6.5081201e-02  1.1245312e-01]
 [ 1.1409521e-03  3.6983326e-01 ... -3.4610277e-01 -3.4792548e-01]
 [ 2.5911796e-01 -3.9517123e-01 ... 5.8505309e-01  3.6908010e-01]
 [-2.8727052e-01 -5.1150680e-02 ... -1.9637148e-01 -1.5587148e-01]
 [ 3.1303680e-01  2.3338445e-01 ... 9.1499090e-04 -2.0590121e-01]]

Аргумент return_state у шарі GRU

inp = keras.layers.Input(batch_shape=(2,3,4))
gru_out2, gru_state = keras.layers.GRU(10, return_state=True)(inp)
print("gru_out2.shape = ", gru_out2.shape)
print("gru_state.shape = ", gru_state.shape)

gru_out2.shape =  (2, 10)
gru_state.shape =  (2, 10)

GRU return_state

Аргумент return_sequences у шарі GRU

inp = keras.layers.Input(batch_shape=(2,3,4))
gru_out3 = keras.layers.GRU(10, return_sequences=True)(inp)
print("gru_out3.shape = ", gru_out2.shape)

gru_out3.shape =  (2, 3, 10)

GRU return_sequences

Давайте потренуємось!

Machine Translation з Keras